opentext Intelligenza artificiale e macchina

L’intelligenza artificiale (AI) sta trasformando il modo in cui interagiamo con le macchine e il modo in cui le macchine interagiscono con noi. Questa guida analizza il funzionamento dell'intelligenza artificiale, i punti di forza e i limiti dei vari tipi di apprendimento automatico e l'evoluzione di questo campo di studio in continua evoluzione. Esplora inoltre il ruolo dell'analisi della sicurezza abilitata dall'intelligenza artificiale o dell'analisi comportamentale di utenti ed entità (UEBA) per proteggere meglio le aziende dalle complesse minacce alla sicurezza informatica di oggi.

Apprendimento automatico o umano

L'intelligenza artificiale (AI) è ovunque, almeno così sembra In OpenText™, l'ascesa dell'intelligenza artificiale è allo stesso tempo entusiasmante e stimolante. Ma quando abbiamo collaborato con i nostri colleghi, clienti e partner, siamo arrivati ​​a capire che l'intelligenza artificiale il concetto di intelligenza artificiale non è sempre facilmente comprensibile Per iniziare questa guida sull'intelligenza artificiale e l'apprendimento automatico 101, scomplicheremo il puzzle dell'intelligenza artificiale rispondendo alla domanda principale che molte persone si pongono: "Cos'è veramente l'intelligenza artificiale?"

Il modo più semplice per comprendere l'intelligenza artificiale è associarla a qualcosa che già comprendiamo: la nostra stessa intelligenza. Come funziona l'intelligenza umana non artificiale? Al livello più elementare, la nostra intelligenza segue una progressione semplice: assorbiamo informazioni, le elaboriamo e, infine, le informazioni ci aiutano ad agire

Analizziamolo in un diagramma del sistema Nella figura seguente, le tre fasi generali dell'intelligenza umana da sinistra a destra: input, elaborazione e output Nel cervello umano, l'input avviene sotto forma di rilevamento e percezione delle cose. I tuoi occhi, naso, orecchie, ecc., accetta l'input grezzo a sinistra, come i fotoni di luce o l'odore dei pini, e poi lo elabora. Sul lato destro del sistema viene prodotto l'output Questo include parole e azioni, entrambe dipendenti da come elaboriamo l'input grezzo che il nostro cervello riceve. L'elaborazione avviene nel mezzo, dove si formano e recuperano la conoscenza o i ricordi, si prendono decisioni e inferenze e avviene l'apprendimento.

Figura 1. Intelligenza umana

Come funziona l’intelligenza umana non artificiale? Al livello più elementare, la nostra intelligenza segue una progressione semplice: assorbiamo informazioni, le elaboriamo e, infine, le informazioni ci aiutano ad agire.

Immagine che si ferma a un incrocio stradale I tuoi occhi vedono che il semaforo davanti a te è appena diventato verde In base a ciò che hai imparato dall'esperienza (e dall'educazione del conducente), sai che una luce verde indica che dovresti andare avanti Quindi, tu premi il pedale dell'acceleratore La luce verde è l'input grezzo, la tua accelerazione è l'output; tutto il resto è in fase di elaborazione

Per navigare in modo intelligente nel mondo che ci circonda (rispondere al telefono, cuocere biscotti con gocce di cioccolato o obbedire ai semafori) dobbiamo elaborare l'input che riceviamo. Questo è il nucleo dell'elaborazione dell'intelligenza umana e alla fine è suddiviso in tre aspetti distinti :

1. Conoscenza e memoria. Accumuliamo conoscenza man mano che assorbiamo fatti (ad esempio, la battaglia di Hastings ebbe luogo nel 1066) e norme sociali (ad esempio, dire "Per favore" e "Grazie" è considerato educato). Inoltre, la memoria ci consente di ricordare e applicare informazioni da dal passato al presente delle situazioni Ad esample, Edward ricorda che Jane non lo ha ringraziato per il suo regalo di compleanno, quindi non si aspetta che lei lo ringrazi quando le farà un regalo di Natale
2. Decisione e inferenza. Le decisioni e le inferenze vengono effettuate sulla base di input grezzi combinati con conoscenza e/o memoria. Ad esample, Edward ha mangiato un peperoncino jalapeno l'anno scorso e non gli è piaciuto Quando Johnny offre un peperoncino a Edward, lui decide di non mangiarlo
3. Apprendimento. Gli esseri umani possono imparare dall'esample, osservazione o algoritmo Nell'apprendimento tramite esample, ci viene detto che un animale è un cane, l'altro è un gatto Nell'apprendimento tramite l'osservazione, capiamo da soli che i cani abbaiano e che i gatti miagolano Il terzo metodo di apprendimento, l'algoritmo, ci consente di completare un compito seguendo una serie di passaggi o un algoritmo specifico (ad esempio, eseguendo una divisione lunga)

Questi aspetti dell'intelligenza umana vanno di pari passo con l'intelligenza artificiale. Proprio come noi raccogliamo informazioni, le elaboriamo e condividiamo l'output, così possono farlo anche le macchine. Diamo un'occhiata alla figura seguente per vedere come si delinea questo aspetto.

Figura 2. Intelligenza artificiale

Per navigare in modo intelligente nel mondo che ci circonda, ad esempio rispondendo al telefono, preparando biscotti con gocce di cioccolato o rispettando i semafori, dobbiamo elaborare gli input che riceviamo.

Nelle macchine, la parte di input dell'intelligenza artificiale è esemplificata dall'elaborazione del linguaggio naturale, dal riconoscimento vocale, dal riconoscimento visivo e altro ancora. Tecnologie e algoritmi simili si vedono ovunque, dalle auto a guida autonoma che devono rilevare le strade e gli ostacoli, ad Alexa o Siri. quando riconosce il tuo parlato I risultati che seguono sono i modi in cui le macchine interagiscono con il mondo che ci circonda. Ciò potrebbe assumere la forma di robotica, sistemi di navigazione (per guidare le auto a guida autonoma), generazione vocale (ad esempio, Siri), ecc. nel mezzo, abbiamo varie forme di elaborazione che avvengono

In modo simile al nostro accumulo di conoscenza e memoria, le macchine possono creare rappresentazioni della conoscenza (ad esempio, database di grafici, ontologie) che le aiutano a memorizzare informazioni sul mondo. Proprio come gli esseri umani prendono decisioni o traggono inferenze, le macchine possono fare una previsione, ottimizzare per un obiettivo o risultato e determinare i migliori passi o decisioni successivi per raggiungere un obiettivo specifico

Infine, proprio come apprendiamo dall’esample, osservazione o algoritmo, le macchine possono essere insegnate utilizzando metodi analoghi. L'apprendimento automatico supervisionato è molto simile all'apprendimento tramite esample: al computer viene fornito un set di dati con "etichette" all'interno del set di dati che fungono da risposte e alla fine impara a distinguere tra diverse etichette (ad esempio, questo set di dati contiene foto etichettate come "cane" o "gatto" e con abbastanza examples, il computer noterà che i cani generalmente hanno la coda più lunga e le orecchie meno appuntite rispetto ai gatti)

L'apprendimento automatico non supervisionato, d'altra parte, è come l'apprendimento tramite l'osservazione. Il computer osserva schemi (i cani abbaiano e i gatti miagolano) e, attraverso questo, impara a distinguere gruppi e schemi da solo (ad esempio, ci sono due gruppi di animali che possono essere separati dal suono che producono; un gruppo abbaia (cani) e l'altro gruppo miagola (gatti) L'apprendimento non supervisionato non richiede etichette e può quindi essere preferibile quando i set di dati sono limitati e non hanno etichette. Infine, l'apprendimento tramite algoritmo è cosa succede quando un programmatore istruisce un computer esattamente cosa fare, passo dopo passo, in un programma software.

in realtà, i risultati più accurati e carenti dell'intelligenza artificiale richiedono una combinazione di metodi di apprendimento. Sia l'apprendimento automatico supervisionato che quello non supervisionato sono metodi utili: tutto sta nell'applicare l'approccio o gli approcci giusti al caso d'uso giusto

Successivamente, metteremo l'apprendimento automatico al microscopio per capire come questa parte dell'intelligenza artificiale rispecchia i neuroni del nostro cervello per trasformare l'input in un output ottimale.

Idealmente, i risultati dell’intelligenza artificiale più accurati ed efficienti richiedono una combinazione di metodi di apprendimento. Sia l'apprendimento automatico supervisionato che quello non supervisionato sono metodi utili: si tratta solo di applicare l'approccio o gli approcci giusti al caso d'uso giusto.

La rete neurale e il deep learning

L'apprendimento automatico è solo una parte dell'intelligenza artificiale, sebbene contenga un enorme sottoinsieme di algoritmi al suo interno. Un metodo che senti spesso oggi è il "deep learning", un algoritmo che ha ricevuto una buona dose di attenzione nelle notizie negli ultimi anni. Per capire Dopo la sua popolarità e il suo successo, è utile capire come funziona Il deep learning è un'evoluzione di un algoritmo di apprendimento automatico popolare negli anni '1980 che potresti riconoscere: le reti neurali.

Le reti neurali – un paradigma di programmazione in cui addestriamo le macchine ad “imparare” – sono ispirate dai neuroni, o cellule specializzate nel corpo umano che costituiscono le fondamenta del nostro sistema nervoso, e del cervello in particolare. Queste cellule trasmettono segnali in tutto il nostro corpo attivando il sistema nervoso. risposte e processi del sistema I neuroni sono ciò che ci consente di vedere, sentire, annusare, ecc.

Figura 3. Come i neuroni ricevono e inviano messaggi

Gran parte di ciò che consideriamo apprendimento umano può essere descritto da quanto è forte la connessione tra due neuroni nel nostro cervello, insieme alla forza delle frange delle nostre sinapsi.

Nella prima parte di questa guida, abbiamo discusso il processo di base dell'intelligenza umana: input a sinistra e output a destra. Il neurone (nella foto sopra) svolge un ruolo fondamentale in questo. Sul lato sinistro del neurone, il corpo cellulare raccoglie “input” Una volta ricevuto input o stimolazione sufficienti, l’assone si raffredda, trasmettendo l’informazione al lato destro, la sinapsi. L’”output” viene quindi inviato ad altri neuroni

In ogni momento, i nostri neuroni si scambiano messaggi. Queste cellule sono responsabili della nostra capacità di percepire l'ambiente circostante E quando impariamo, i nostri neuroni diventano molto attivi. Infatti, gran parte di ciò che consideriamo apprendimento umano può essere descritto da quanto è forte la connessione tra due neuroni nel nostro cervello, insieme alla forza delle frange delle nostre sinapsi

Una rete neurale è una simulazione matematica di un insieme di cellule neuronali L'immagine sotto rappresenta una rete neurale di base con 3 strati e 12 nodi

Ogni nodo circolare rappresenta un “neurone” artificiale, ispirato biologicamente Le linee rappresentano una connessione dall’uscita di un neurone artificiale a sinistra all’ingresso di un altro a destra I segnali tra questi neuroni fluiscono lungo le linee da sinistra a destra In queste reti , l'input, come i dati dei pixel, fluisce dallo strato di input, attraverso gli strati intermedi "nascosti" e infine allo strato di output in un modo descritto da equazioni matematiche vagamente ispirate all'attività elettrica nei neuroni biologici reali.

Figura 4. Rete neurale semplice

Le reti neurali apprendono cercando di abbinare i set di dati presentati allo strato di input ai risultati desiderati nello strato di output. Le equazioni matematiche calcolano i risultati, confrontano il risultato simulato con il risultato desiderato e le differenze risultanti producono quindi modifiche alla forza delle connessioni.

Le reti neurali imparano cercando di abbinare i set di dati presentati allo strato di input ai risultati desiderati nello strato di output Le equazioni matematiche calcolano gli output, confrontano l'output simulato con il risultato desiderato e le differenze risultanti producono quindi modifiche alla forza delle connessioni Queste modifiche vengono modificate in modo iterativo finché l'output calcolato non è abbastanza vicino al risultato desiderato, a quel punto diciamo che la rete neurale ha "imparato"

Figura 5. Rete neurale complessa

Queste reti neurali “più profonde” possono fare previsioni molto più complesse. Possono esserci migliaia di nodi e centinaia di strati, il che significa migliaia di calcoli diversi. I modelli di deep learning sono diventati molto efficaci per problemi specifici, come il riconoscimento vocale o di immagini.

Vale la pena notare, tuttavia, che il deep learning non è la soluzione miracolosa per l'apprendimento automatico, soprattutto non nel campo della sicurezza informatica, dove a volte non è disponibile il grande volume di dati puliti ideale per i metodi di deep learning. È importante scegliere l'algoritmo giusto, dati e principi per il lavoro Questo è il modo migliore per le macchine di raccogliere prove, collegare i punti e trarre una conclusione

Le reti neurali potrebbero sembrare roba del futuro, ma esistono da un po' In effetti, le reti neurali si basano su idee che iniziarono a circolare negli anni '1940 Nella prossima sezione, faremo un breve viaggio indietro nel tempo per capire come le reti neurali e l’apprendimento automatico sono arrivati ​​a permeare molte parti della vita moderna.

Le reti neurali potrebbero sembrare il futuro, ma esistono già da un po'. In effetti, le reti neurali si basano su idee che hanno iniziato a circolare negli anni ’1940.

Una breve storia dell'intelligenza artificiale

Per alcune persone, il termine intelligenza artificiale (AI) potrebbe evocare immagini di città futuristiche con macchine volanti e robot domestici. Ma l'intelligenza artificiale non è un concetto futuristico, almeno non più. Anche se non viene definita come tale, l'idea di intelligenza artificiale può essere risalgono all'antichità (ad esempio, le ancelle meccaniche parlanti del dio greco Efesto) ¹ Sin dagli anni '1930, scienziati e matematici sono stati ansiosi di esplorare la creazione di una vera intelligenza separata da quella umana

Il momento decisivo dell'intelligenza artificiale a metà del 20° secolo fu una felice confluenza di matematica e biologia, con ricercatori come Norbert Wiener, Claude Shannon e Alan Turing che avevano già scalfito l'intersezione tra segnali elettrici e calcolo. Nel 1943, Warren McCulloch e Walter Pitts aveva creato un modello per le reti neurali Le reti neurali aprirono la strada a un nuovo mondo di elaborazione con maggiore potenza e, nel 1956, il campo della ricerca sull'intelligenza artificiale fu ufficialmente stabilito come disciplina accademica

La seconda metà del secolo è stata un’epoca entusiasmante per la ricerca e il progresso sull’intelligenza artificiale, interrotta occasionalmente dagli “inverni dell’intelligenza artificiale” a metà degli anni ’70 e alla fine degli anni ’80, in cui l’intelligenza artificiale non è riuscita a soddisfare le aspettative del pubblico e gli investimenti nel campo sono stati ridotti. diverse applicazioni per l'intelligenza artificiale e l'apprendimento automatico apparivano a destra e a manca. Un aneddoto particolare di tale applicazione è diventato una parabola popolare all'interno della comunità scientifica, parlando in modo abbastanza efficace delle prove e delle tribolazioni della ricerca e dell'implementazione dell'intelligenza artificiale

La storia è più o meno questa:

Negli anni '1980 la Pentagin poi abbiamo deciso di utilizzare una rete neurale per identificare i carri armati mimetizzati Lavorando con un solo mainframe (dagli anni '1980, tenete a mente), la rete neurale è stata addestrata con 200 immagini: 100 carri armati e 100 alberi Nonostante la rete neurale relativamente piccola (a causa degli anni '1980 limitazioni su calcolo e memoria), la formazione in laboratorio ha prodotto una precisione del 100%. Con tale successo, il team decide di fare un tentativo sul campo. I risultati non sono stati eccezionali.

Figura 6. Immagini di laboratorio e sul campo (Fonte: Neural Network Follies, Neil Fraser, settembre 1998)

Con la disponibilità di vaste risorse informatiche inimmaginabili negli anni '1980, le reti neurali profonde sono rapidamente diventate un'area popolare di ricerca. Il deep learning conferisce a un sistema la capacità di “imparare” automaticamente attraverso miliardi di combinazioni e osservazioni, riducendo la dipendenza dalle risorse umane.

Perché la rete neurale ha funzionato in modo così fantastico sulle foto in laboratorio, ma ha fallito così completamente sul campo? Si è scoperto che le foto non scattate dai carri armati erano state tutte scattate nei giorni in cui il cielo era nuvoloso; tutte le foto degli alberi sono state scattate in giorni in cui splendeva il sole La rete neurale era stata addestrata a riconoscere il sole, non i carri armati

Alla fine, però, arriverà il riconoscimento visivo tramite il deep learning, facilitato da reti neurali molto più complesse della Pentagche il mainframe degli anni '1980 sarebbe stato in grado di gestire: è diventato una realtà Nel 2012, il professore di Stanford Andrew Ng e il collega di Google Jef Dean hanno creato una delle prime reti neurali profonde utilizzando 1000 computer con 16 core ciascuno Il compito: analizzare 10 milioni di video di YouTube Il risultato : ha trovato gatti ² Grazie al suo algoritmo di “deep learning”, la rete è stata in grado di riconoscere i gatti nel tempo e con un'ottima precisione

Con la disponibilità di vaste risorse informatiche impensabili negli anni '1980, le reti neurali profonde sono rapidamente diventate un'area popolare per la ricerca. Il deep learning dà a un sistema la capacità di "imparare" automaticamente attraverso miliardi di combinazioni e osservazioni, riducendo la dipendenza da risorse umane Nell'ambito della sicurezza informatica, il metodo è diventato particolarmente promettente per il rilevamento di malware: scenari in cui disponiamo di grandi set di dati con molti exampfile di malware da cui la rete può imparare

Sfortunatamente, i metodi di deep learning sono attualmente meno efficaci quando si tratta di determinati casi d’uso, come le minacce interne, perché semplicemente non disponiamo del tipo giusto di dati su questi tipi di attacchi, nei volumi richiesti. Molto spesso, le informazioni di cui disponiamo sulle minacce interne sono aneddotici, che non possono essere utilizzati in modo efficiente da questi tipi di reti neurali.

Fino a quando non saremo in grado di raccogliere set di dati più efficaci (e ridurre i costi e la complessità dei sistemi di deep learning), il deep learning non è la scelta giusta per tutti i casi d'uso. E va bene. Il deep learning è solo uno dei tanti algoritmi di machine learning e questi approcci possono essere proprio come se non di più: tutto dipende dal lavoro da svolgere

Abbiamo visto l’immenso potenziale delle tecnologie di intelligenza artificiale nei sei decenni trascorsi dalla sua “nascita” ufficiale e abbiamo appena scalfito la superficie, soprattutto nel campo della sicurezza. Successivamente, approfondiremo le potenziali applicazioni dell’intelligenza artificiale e dell’analisi per cambiare il mondo delle tecnologie. modo in cui identifichiamo e rispondiamo alle minacce alla sicurezza.

L’analisi predittiva è solo un pezzo di un puzzle molto più ampio che può fornirci informazioni molto più utili per i team di sicurezza.

Abbiamo visto l’immenso potenziale delle tecnologie di intelligenza artificiale nei sessant’anni trascorsi dalla sua “nascita” ufficiale e abbiamo solo scalfito la superficie, soprattutto nel campo della sicurezza.

Una nuova visione per l’analisi della sicurezza

Finora, questa guida ha esaminato da vicino l'apprendimento automatico, comprendendone limiti e punti di forza. Esiste un enorme potenziale per l'apprendimento automatico nel facilitare l'intelligenza artificiale, ma vale la pena notare che il gioco più ampio del rilevamento delle minacce non riguarda solo il deep learning o l'apprendimento automatico come lo conosciamo oggi Nuovi metodi analitici combinati con nuovi tipi di dati possono fornirci quadri completamente nuovi in ​​cui analizzare e agire sulle minacce alla sicurezza.

Abbiamo visto cosa può fare l’analisi per altri settori, e c’è il potenziale che l’analisi possa avere un profondo impatto anche sulla sicurezza informatica. Vediamo che tutto ciò sta prendendo forma in un nuovo campo che chiamiamo analisi della sicurezza, che essenzialmente prende forma gli algoritmi e le metodologie di cui abbiamo discusso (e altro ancora) e li applichiamo aiutano a risolvere i problemi davvero difficili della sicurezza

L'analisi più comune che vediamo oggi nel campo della sicurezza coinvolge modelli predittivi, che ci consentono di identificare dove potrebbero trovarsi i rischi all'interno di grandi quantità di dati (è qui che entra in gioco il rilevamento delle anomalie). In poche parole, la modellazione predittiva combina i dati storici con il comportamento in tempo reale per comprendere o prevedere il comportamento futuro. In questo modo possiamo rispondere alla domanda: "Cosa succederà dopo?"

Ma la nostra visione dell'analisi della sicurezza non si ferma qui L'analisi predittiva è solo un pezzo di un puzzle molto più ampio che può fornirci informazioni molto più utili per i team di sicurezza Il paradigma di analisi ideale combina sensori intelligenti e fonti di dati onnipresenti: desktop e server, dispositivi mobili , cloud, social network, dati aperti, ecc., con molteplici approcci analitici avanzati all'analisi comportamentale e delle minacce, tra cui analisi forense, modellazione del rischio, rilevamento di anomalie, ottimizzazione comportamentale e della risposta e altro ancora

Ciò significa che possiamo fare molto di più che prevedere o identificare una minaccia. Ci consente di andare ancora oltre per offrire non solo un rilevamento avanzato ma anche informazioni su come rispondere nel modo più efficace. L'analisi della sicurezza ci dà il potere di rispondere ad altre domande chiave, come "Come ci sono molte minacce?" e “Qual è la migliore reazione possibile?”

Non abbiamo ancora visto altre classi di analisi come i metodi di ottimizzazione applicati alla sicurezza informatica, ma hanno un potenziale immenso. Queste tecniche esaminano tutte le possibili reazioni a un rischio per la sicurezza e determinano la risposta migliore Sì, ci sono modi per farlo con la matematica

Per esempioample, i metodi di ottimizzazione vengono utilizzati quando effettui una chiamata al tuo fornitore di servizi di telefonia cellulare con un problema. Non danno consigli a caso sull'opportunità o meno di aggiornare il tuo piano di servizio con uno sconto; si basano su una serie di calcoli matematici in background che esaminano i registri delle chiamate, il numero di chiamate interrotte, il confronto tra la cronologia e quella degli altri utenti, ecc. Calcola anche la probabilità che tu possa passare a un altro fornitore di servizi Quindi, fuori tra tutti i possibili passaggi successivi, calcola il miglior passaggio successivo per massimizzare la fidelizzazione del cliente

La stessa matematica può essere applicata a un team di sicurezza per identificare un rischio, fornire una serie di modi in cui reagire e determinare matematicamente la migliore risposta per massimizzare il contenimento di questo particolare rischio

La rapida ascesa e l'evoluzione delle minacce alla sicurezza rendono questo tipo di efficienza di risposta fondamentale Oggi disponiamo di più dati che mai Per fortuna, abbiamo anche più potenza di calcolo, algoritmi migliori e maggiori investimenti nella ricerca e nelle tecnologie per aiutarci a dare un senso a questi dati attraverso la matematica A detta di tutti, riteniamo che l'analisi della sicurezza sia appena iniziata.

Oggi disponiamo di più dati che mai. Per fortuna, disponiamo anche di maggiore potenza di calcolo, algoritmi migliori e maggiori investimenti nella ricerca e nelle tecnologie per aiutarci a dare un senso a questi dati attraverso la matematica. A detta di tutti, riteniamo che l’analisi della sicurezza sia appena iniziata.

Assistenza clienti

Connettiti con noi
www.opentext.com
OpenText Cybersecurity fornisce soluzioni di sicurezza complete per aziende e partner di tutte le dimensioni Dalla prevenzione, rilevamento e risposta al ripristino, indagine e conformità, la nostra piattaforma end-to-end unificata aiuta i clienti a costruire resilienza informatica attraverso un portafoglio di sicurezza olistico Basato su informazioni fruibili dal nostro intelligence sulle minacce in tempo reale e contestuale, i clienti di OpenText Cybersecurity beneficiano di prodotti ad alta efficacia, un'esperienza conforme e una sicurezza semplificata per aiutare a gestire il rischio aziendale
762-000016-003| O | 01/24 | © 2024 Testo aperto

Documenti / Risorse

opentext Intelligenza artificiale e apprendimento automatico [pdf] Istruzioni Intelligenza Artificiale e Machine Learning, Intelligenza e Machine Learning, Machine Learning

Riferimenti

• Manuale d'uso